[論文レビュー] Variational Inference for Deblending Crowded Starfields

Runjing Liu, Jon McAuliffe+1 more|arXiv (Cornell University)|Feb 4, 2021

Time Series Analysis and Forecasting参考文献 31被引用数 7

ひとこと要約

この論文は、変分推論とアモルタイズド推論、および前方KLダイバージェンス最小化を用いたベイジアンのぼかし解除手法であるStarNetを提案する。SDSS M2球状星団画像において、PCAT や DAOPHOT よりも顕著に高いF1スコアを達成し、大規模な天文学的調査におけるスケーラビリティと不確実性の定量化の両面で頑健であることを示している。

ABSTRACT

In images collected by astronomical surveys, stars and galaxies often overlap visually. Deblending is the task of distinguishing and characterizing individual light sources in survey images. We propose StarNet, a Bayesian method to deblend sources in astronomical images of crowded star fields. StarNet leverages recent advances in variational inference, including amortized variational distributions and an optimization objective targeting an expectation of the forward KL divergence. In our experiments with SDSS images of the M2 globular cluster, StarNet is substantially more accurate than two competing methods: Probabilistic Cataloging (PCAT), a method that uses MCMC for inference, and DAOPHOT, a software pipeline employed by SDSS for deblending. In addition, the amortized approach to inference gives StarNet the scaling characteristics necessary to perform Bayesian inference on modern astronomical surveys.

研究の動機と目的

• 従来のソフトウェアパイプラインが補正済みの不確実性を提供できない、混雑した天体画像における重なった光源のぼかし解除の課題に対処すること。
• LSSTが60ペタバイトの画像を生成すると予想される現代の調査で想定される膨大なデータ量を処理できる、スケーラブルなベイジアン手法を開発すること。
• PCAT などの既存の確率的カタログ作成手法は、遅いMCMCサンプリングに依存しているが、これを高速でアモルタイズド推論が可能な方法に改善し、大規模応用に適したものにする。
• 高密度の星領域で曖昧な源配置がある場合に、信頼性の高い推論を実現するために、事前分布のパラメータやランダム初期化の選択に対して頑健であることを保証すること。

提案手法

• 各星をフラックスと位置パラメータを持つ点光源として扱い、画像の強度を重ね合わせた源プロファイル上のポアソン過程としてモデル化する、ベイジアン階層モデルであるStarNetを提案する。
• カタログ上の事後分布を近似するために、深層ニューラルネットワークを介して画像間で推論パラメータを共有する、アモルタイズド変分推論を用いることで、高速な推論を実現する。
• 近似事後分布と真の事後分布の期待値に基づく前方KLダイバージェンスの最適化を目的関数として用い、事後分布の近似品質を向上させる。
• 17チャネルの畳み込み、バッチ正則化、ドロップアウトを備えた残差畳み込みニューラルネットワークアーキテクチャを活用し、画像特徴量を抽出して事後分布パラメータを予測する。
• 星の数（率μのポアソン分布）とフラックス（傾きαのべき乗則）に対する事前分布を統合し、さまざまな事前分布の値の範囲で頑健性をテストする。
• 複数回のランダムリファイティングを伴う確率的最適化を適用し、推論手順の安定性と一般化性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 教師なしラベルのない混雑した星領域におけるぼかし解除に、変分推論フレームワークを効果的に適応できるか？
• RQ2 実際のSDSS画像において、DAOPHOT や PCAT と比較して、StarNet のF1スコア、精度、再現率の観点から性能はどの程度か？
• RQ3 StarNet の性能は、事前分布ハイパーパrameter μ（1ピクセルあたりの星の平均数）と α（フラックスべき乗則の傾き）の変化に対してどの程度頑健か？
• RQ4 高密度領域におけるぼかし解除の計算的負荷を考慮すると、アモルタイズド推論アプローチはLSSTのような大規模な天文学的調査にスケーラブルか？
• RQ5 極度の源の混雑がある領域において、StarNet はぼかし解除プロセス全体にわたって補正済みの不確実性をどの程度適切に伝達できるか？

主な発見

• 主なM2サブ領域（100×100ピクセル）では、StarNet はF1スコア0.50を達成し、DAOPHOT のF1スコア0.31を顕著に上回り、PCAT の性能は明示的に測定されていないが、それより劣っている。
• 100×100ピクセルに15,094個の星が存在するより密集したサブ領域Cでは、StarNet はF1スコア0.13を達成したのに対し、DAOPHOT は0.007にとどまり、極度の混雑状況下での優れた性能を示している。
• μ（0.08から0.20の範囲）の事前分布パラメータの広い範囲において、F1スコアは0.49から0.51の間で安定しており、事前分布の指定に対して頑健であることが示された。
• 10回のランダムリファイティングにおいても性能が安定しており、F1スコアは0.50から0.55の範囲に収まっており、最適化収束の整合性と信頼性が裏付けられた。
• DECam調査のサブ領域が正常にカタログ化されたことから、実世界の現代の天文学的データセットへのスケーラビリティが確認された。
• 星の数の事後予測分布は適切に補正されており、領域Aの95％信用区間（1430–1497）が真の星の数（1114）を含んでおり、不確実性の定量化が妥当であることが検証された。